El bombo de la IA basada en agentes se desmorona sin la arquitectura adecuada

Muchas herramientas de automatización de marketing "impulsadas por IA" siguen funcionando con los mismos sistemas basados en reglas de siempre, según el CTO de Clarvos, quien sostiene que los compradores empresariales deberían mirar más allá del marketing y centrarse en la arquitectura.

En este artículo de TechRadar Pro Perspectives, el autor afirma que las plataformas de automatización tradicionales siguen construidas alrededor de flujos de trabajo fijos del tipo si/entonces: si un lead alcanza cierta puntuación, enviar un correo; si un prospecto completa los comportamientos A, B y C, activar la secuencia Y; esperar Z días y luego enviar un recordatorio. El problema es que estos sistemas solo funcionan cuando las reglas relevantes ya existen. Cuando aparecen casos límite, los ingenieros tienen que volver a escribir más reglas.

Eso importa porque el marketing cambia constantemente. Las audiencias se desplazan rápidamente, las campañas dejan de funcionar y los recorridos de los clientes rara vez siguen patrones ordenados. El autor sostiene que muchos proveedores simplemente han puesto terminología de IA encima de productos heredados en lugar de reconstruir cómo se toman las decisiones.

Qué separa a la IA basada en agentes de la automatización heredada

El artículo define la diferencia central así: los motores de reglas preguntan qué regla debe activarse a continuación, mientras que los agentes preguntan qué acción los acercará mejor a un objetivo. En la formulación del autor, los sistemas verdaderamente basados en agentes mantienen objetivos, evalúan el contexto, eligen entre acciones disponibles, usan herramientas, evalúan resultados intermedios y ajustan los planes a medida que cambian las condiciones.

Eso los hace fundamentalmente iterativos, no solo reactivos. Un agente genuino, afirma el autor, puede adaptarse cuando una campaña rinde menos de lo esperado y coordinarse con otros agentes sin que un ingeniero humano tenga que reescribir los flujos de trabajo cada vez que cambian las condiciones.

Recomendado

El auge de los centros de datos en el Reino Unido choca con la realidad del agua

El artículo también aboga por agentes especializados en lugar de un único sistema de propósito general. Los ejemplos incluyen equipos de agentes separados para:

• generación de estrategia
• redacción creativa
• selección de medios
• análisis de rendimiento

El argumento es que los sistemas más específicos rinden mejor en tareas bien definidas que los modelos de propósito general que lo hacen todo a la vez.

Privacidad, gobernanza y coste

El CTO de Clarvos también defiende los modelos alojados de forma privada, argumentando que los LLM públicos obligan a las organizaciones a cargar datos en infraestructuras de terceros, incluso si los proveedores aseguran que los datos de los clientes no se usan para el entrenamiento. Los sistemas alojados de forma privada, según el autor, reducen esa exposición porque los datos permanecen dentro del entorno de la propia organización.

La gobernanza, dice el artículo, debe incorporarse en la arquitectura en lugar de añadirse como un paso final de revisión humana. Eso incluye mecanismos de control, observabilidad, trazabilidad y evaluación comparativa por terceros.

Para los compradores empresariales, las comprobaciones sugeridas incluyen si un sistema está realmente orientado a objetivos en lugar de reglas, dónde se alojan los modelos, si retienen memoria y contexto a largo plazo, cómo mitigan las alucinaciones y si las salidas son totalmente auditables.

El artículo cierra con un punto económico: la tarificación por tokens puede hacer que las implementaciones con modelos públicos sean impredecibles a escala, mientras que poseer y alojar modelos especializados crea una estructura de costes más parecida a la de la infraestructura que al uso medido. Para las empresas, la conclusión del autor es sencilla: no compren solo la etiqueta de IA.